[发明专利]一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法

说明书

本发明公开了一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，属于飞机发动机叶片缺陷识别诊断领域；本发明通过对采集的目标叶片模拟图像信息进行图像预处理、且将其转换为数字图像信息；同时对目标叶片将数字图像信息进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法；从而本发明可以在缺陷类型的进行诊断积累，对于新的缺陷进行记录且分析，并组合成新的缺陷且存储至数据库中，从而可以有效的保证识别的准确率，进而保证飞机发动机叶片的使用寿命。

技术领域

本发明公开了一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，属于飞机发动机叶片缺陷识别诊断领域。

背景技术

目前，国内的工件缺陷检测仍是以人工检测为主，即人工对工件射线图像是否存在缺陷以及缺陷是否达到不合格品进行判断，人工检测主要有以下几个缺点：人工检测会因为不同人的评判标准不同，经验的差异而对工件缺陷有不一样的判断；人工检测存在人眼、大脑疲劳的问题，长时间的检测强度可能会引起对于缺陷的漏判错判；人工检测的速度会比较慢。

随着自动化以及人工智能的发展，现在越来越多的工件缺陷自动检测出现，成功解决了传统人工检测的弊端；但现有技术中飞机发动机叶片缺陷识别诊断系统只能识别数据库中存在的缺陷数据，不能识别其他类型缺陷，且由于叶片是曲面的特殊性，且曲面因发动机的不同而不同，所以系统识别缺陷受到限制，从而常常会有一些无法识别的缺陷存在，从而导致叶片使用寿命下降。

发明内容

发明目的：提供一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法，以解决上述问题。

技术方案：一种基于深度学习的飞机发动机叶片缺陷识别诊断方法，包括：

获取目标叶片模拟图像信息、且将目标叶片模拟图像信息发送至转换单元；

转换单元进行图像预处理、且将其转换为数字图像信息，同时目标叶片将数字图像信息传输至控制单元；

控制单元进行图像拼接并进行缺陷识别诊断，同时诊断结果进行输出且进行保存至数据库单元；

数据库单元根据诊断结果进行分析并进行通过卷积神经网路进行学习，分析缺陷的类型以及识别方法，从而进行组合成新的缺陷的类型以及识别方法。

优选的，通过转换单元图像预处理、且将其转换为数字图像，具体方法如下：

获取多张目标叶片模拟图像信息；

将目标叶片空间模拟图像进行转换为目标叶片空间数字图像；

进行每一张标叶片空间数字图像去噪、增强、分割和边界提取；

进行图像融合，得到目标叶片空间图像；

输出目标叶片空间图像。

优选的，上述方法中进行每一张图像去噪、增强、分割和边界提取的具体方法如下：

通过将获取的多张目标叶片数字图像运用滑动窗口，对滑动窗口内所有像素点的像素值排序，且对像素点的像素值进行采用卷积的方式，从而完成图像平滑，实现噪声滤波；

对图像中的细节区域采用灰度系数增强手段，进行将滤波后的图像像素灰度值与原始图像像素的灰度值之间增强数倍；

对经过图像增强处理后的目标叶片图像设定合理的灰度阈值，根据灰度值的大小是否在给定的阈值中，进而完成图像分割，提取目标叶片图像中的特征细节；

对图像中特征区域从背景中提取出来，从而完成提取目标叶片图像中的特征。

优选的，进行图像融合，得到目标叶片空间图像的具体方法图下：

依次进行每张图片的颜色空间转换；

对多幅图像进行图像配准；

通过对完成图像配准确定目标叶片的空间变换关系，进行特征融合，